Jak zwiększyć zwrot z inwestycji w reklamę kontekstową o 2,2x dla korporacyjnego sprzedawcy detalicznego?

Pytanie, które jest znane każdej firmie, brzmi: jak ograniczyć wydatki na reklamę kontekstową przy jednoczesnym utrzymaniu sprzedaży. Jeśli kupujesz ruch do swojej witryny w systemie reklamowym, takim jak Google Ads lub Facebook, duża część Twoich wydatków trafia do kliknięć użytkowników, którzy nie dodadzą produktów do koszyka. A nawet jeśli to robią, nie zawsze kończą zakup. Co więc można zrobić, aby zoptymalizować kampanie reklamowe?

W tym przypadku opisujemy rozwiązanie dostarczone przez zespół OWOX BI dla sprzedawcy sprzętu RTV i AGD, który testował OWOX BI w celu obliczenia prawdopodobieństwa konwersji.

Wśród głównych zadań marketingu wydajnościowego dla detalisty korporacyjnego jest zwiększanie wskaźników wydajności i ograniczanie kontaktów z użytkownikami, którzy nie są obecnie zainteresowani zakupami. Rozwiązania oparte na danych to najbardziej obiecujące instrumenty optymalizacji kampanii reklamowych. Model atrybucji OWOX BI wykorzystuje technologie uczenia maszynowego do obliczania prawdopodobieństwa zakupu dla każdego użytkownika witryny od pierwszej wizyty. Korzystając z tych prawdopodobieństw zakupu, firmy mogą określić, czy warto wydać na reklamę dla użytkownika. Ponadto model OWOX BI może obliczyć prawdopodobieństwo wykonania przez użytkownika dowolnej akcji.

Ponadto jednym z obowiązkowych zadań specjalisty SEM reklamy kontekstowej jest dzielenie odwiedzających witrynę na różne grupy w zależności od czynności, jakie wykonują na stronie oraz czasu, jaki upłynął od ostatniego uruchomienia. Na przykład liczba dni od dodania produktu do koszyka bez zakupu. Ręczna analiza takich odbiorców i dostosowywanie kalkulacji stawek zajmuje ogromną część procesu pracy.

Podsumowując, celem było zwiększenie ROI kontekstowych kampanii reklamowych przy jednoczesnej oszczędności przychodów ze zrealizowanych zamówień.

Rozwiązanie machine learning OWOX BI zostało zastosowane do optymalizacji kampanii reklamowych, szkoląc się w zakresie:

• dane historyczne dotyczące zachowań użytkowników serwisu,
• Dane CRM o zrealizowanych zamówieniach
• zagregowane i anonimowe dane z dziesiątek tysięcy projektów klientów OWOX

Co zapewniło OWOX BI:

• Dla każdego użytkownika serwisu obliczane jest prawdopodobieństwo zakupu z uwzględnieniem zrealizowanych zamówień.
• Obliczenia prawdopodobieństwa są aktualizowane po każdym działaniu użytkownika lub okresie braku aktywności. Na przykład, jeśli użytkownik odwiedza witrynę i wykonuje szereg działań, otrzymuje X% prawdopodobieństwa dokonania zakupu. Jeśli nie odwiedzą witryny przez cztery dni później, prawdopodobieństwo to maleje.
• 10 segmentów użytkowników podzielonych według prawdopodobieństwa zakupu w 10-punktowej skali.

Aby ocenić dokładność prognozy i wydajność każdego segmentu, zespół przeanalizował liczbę zrealizowanych zamówień w każdym segmencie.

Na górze tabeli znajduje się segment z największym prawdopodobieństwem konwersji, a na dole segment z najmniejszym.

1. Zebrane dane o zachowaniu użytkownika na stronie w Google BigQuery z OWOX BI. (Możliwe jest również korzystanie z Google Analytics 360.)

2. Analitycy OWOX wyszkolili model atrybucji i rozpoczęli regularne obliczenia prawdopodobieństwa konwersji dla odwiedzających witrynę. Każdemu odwiedzającemu przypisano prawdopodobieństwo konwersji. Algorytm uwzględnia ponad 60 parametrów, w tym:

• liczba sesji w trafieniach w oknie konwersji
• działania na stronie w ramach sesji
• przerwy między sesjami
• ogólna liczba działań
• urządzenie sesyjne i system operacyjny
• źródła ruchu, które użytkownik miał w oknie konwersji
• liczba akcji na każdej stronie w ramach sesji
• czas trwania określonej sesji i łączny czas sesji w oknie konwersji

3. Zespół OWOX BI zebrał wszystkie te dane w jednej tabeli w Google BigQuery, aby ocenić prawdopodobieństwo zakupu dla każdego użytkownika.

4. Dane o widowni zostały przeniesione do serwisu reklamowego za pomocą Rurociągu OWOX BI.

5. Publiczność została dodana do serwisu reklamowego.

Podstawowy test A/B przeprowadzono z równym podziałem ruchu pomiędzy badane grupy dla kampanii reklamowych:

• utworzone ręcznie.
• w oparciu o plik danych produktowych za pomocą usługi automatyzacji.

Po udanym eksperymencie rozpoczęto drugi test na kampaniach z reklamami dynamicznymi. Po zebraniu danych pod kątem skuteczności wśród kampanii reklamowych, obliczono i dostosowano stawki dla odbiorców:

• Obniż stawki dla odbiorców z niskim prawdopodobieństwem zakupu (czasem nawet do 90%).
• Podnieś stawki dla odbiorców z dużym prawdopodobieństwem zakupu.

Wielkość dostosowań stawek została obliczona na podstawie zebranych danych o współczynniku konwersji każdej grupy odbiorców i docelowym ROI. Uwzględniono również aktualny ROI każdej kampanii i odbiorców. Dla każdej grupy odbiorców OWOX BI obliczył odpowiednią cenę za kliknięcie. Na podstawie tych obliczeń dostosował aktualną cenę, aby osiągnąć docelowy KPI. Korekty konsekwentnie zmieniały się w oparciu o wyniki.

Przez dwa miesiące analitycy OWOX pracowali z zespołem klienta nad przeprowadzeniem dwóch testów. Pierwsza trwała półtora miesiąca i obejmowała pięć kampanii reklamowych o niskim natężeniu ruchu. Każda z tych kampanii została podzielona na dwie kampanie do testów A/B: jedną z wykorzystaniem odbiorców OWOX BI i drugą bez nich.

Kampanie wykorzystujące odbiorców OWOX wykazały 1,7 razy lepsze wyniki zarówno pod względem ROI, jak i przychodów ze zrealizowanych zamówień. Dla detalisty był to krok w kierunku zwiększenia efektywności inwestycji reklamowych.

Po pierwszym eksperymencie zespół OWOX BI przeprowadził trzytygodniowy test oparty na kampaniach o dużym natężeniu ruchu według tej samej zasady — równej liczby kampanii z wykorzystaniem odbiorców OWOX BI i bez odbiorców OWOX BI.

Wynik drugiego testu to 2,2 razy wyższy ROI i 2,7 razy wyższy przychód z zrealizowanych zamówień w kampaniach z odbiorcami OWOX BI.

W obu przypadkach grupa testowa albo przyniosła większy przychód przy tym samym budżecie co grupa kontrolna, albo przyniosła taki sam przychód przy niższym budżecie. Wykorzystując OWOX BI do przewidywania konwersji, nasz klient zaoszczędził czas na tworzeniu segmentów odbiorców, wszystkie dane o użytkownikach serwisu były przetwarzane automatycznie, a powstałe dane zostały przygotowane do przesłania do serwisu reklamowego, gdzie mogły być wykorzystane w kampaniach reklamowych w celu dostosowania stawek i uruchomienia retargeting.

Te wyniki testów uznano za udany początek dalszego skalowania innych kanałów wydajności i kształtowania marki. Ponieważ eksperymenty z obliczeniami prawdopodobieństwa konwersji dowiodły swojej skuteczności, kolejnym krokiem było skalowanie rozwiązania — stosowanie go we wszystkich kampaniach w wyszukiwarce, uruchamianie retargetingu poprzez ustawianie różnych stawek w zależności od konwersji w segmencie oraz zastosowanie go w innych serwisach reklamowych, takich jak Facebook , MyTarget i Google Ads.